Comment le Deep Learning change les soins de santé Partie 1 : Diagnostic

L'IA est sur le point d'avoir un impact profond et durable sur les soins de santé, grâce à trois tendances puissantes :

1. Les unités de traitement graphique (GPU) sont de plus en plus rapides et économes en énergie.

Jusqu'à récemment, l'exécution d'algorithmes d'IA était rarement rentable.

2. Les algorithmes deviennent de plus en plus sophistiqués.

Parce que nous pouvons désormais utiliser des modèles d'apprentissage en profondeur à une fraction des coûts passés, l'innovation explose.

3. Les données sur la santé abondent.

Grâce aux DSE et à d'autres efforts de numérisation, nous avons plus de données de santé à utiliser pour former des algorithmes que jamais auparavant.

Il y a quelques années, moins de deux douzaines de startups d'IA se concentraient sur les soins de santé, selon CB Insights. Aujourd'hui, il existe plus de 100 startups d'IA liées à la santé.

Cela a laissé de nombreux médecins se demander comment se préparer à ce qui s'en vient demain, aujourd'hui. Voici comment l'apprentissage en profondeur change les soins de santé en ce moment, et un conseil sur l'achat du bon matériel pour se préparer à la prochaine révolution de l'IA.

Aperçu terminologique

Glossaire des termes d'IA (via Fortune)

Des diagnostics plus rapides et plus précis grâce à l'apprentissage en profondeur

Quand on y pense, diagnostiquer des maladies est la tâche parfaite pour l'intelligence artificielle. L'apprentissage en profondeur consiste à identifier des modèles en reliant les points.

Considérez un chien. Composantes : velues, deux yeux, quatre pattes, une queue. Plus petit qu'un humain, plus gros qu'un chat. Un algorithme d'apprentissage en profondeur "apprend" - au cours de nombreux cycles de saisie, d'analyse et de test de données - ce que chacun est et peut ensuite identifier un chien à partir de ses parties constituantes.

Dans le cas d'une maladie, les points sont les symptômes et les troubles associés. Toux, éternuements, mal de gorge : ça doit être un rhume.

Les algorithmes d'apprentissage en profondeur s'améliorent pour diagnostiquer de la même manière que les médecins : avec la pratique. Comme un médecin, l'algorithme fait une supposition et apprend si c'était correct ou non selon que le patient répond au traitement ou développe de nouveaux symptômes indiquant que le diagnostic initial était erroné. Ces informations sont introduites dans l'algorithme via les données EHR.

Comment un réseau neuronal profond apprend (via Fortune)

Une différence importante entre un médecin et un algorithme d'apprentissage en profondeur est qu'un médecin doit dormir. Une fois que vous avez entraîné un algorithme, il peut fonctionner (et s'améliorer) en continu.

Un médecin verra et apprendra de milliers d'images IRM au cours de sa vie. Un algorithme pourrait voir des billions. Comme tous les humains, les médecins sont sujets à l'erreur. Avec l'IA, il n'y a aucun risque de maladie, de fatigue ou de préoccupation. Il ne pratiquera pas la médecine défensive et ne restera pas coincé dans ses voies.

À quoi cela ressemble-t-il en pratique ?

L'apprentissage automatique peut déjà déterminer si les lésions cutanées sont cancéreuses aussi précisément qu'un dermatologue certifié, comme l'ont démontré des scientifiques de l'Université de Stanford plus tôt cette année.

Lorsque le colocataire de Hossam Haick a reçu un diagnostic de leucémie, il a eu l'idée de créer un capteur pour traiter le cancer. "Mais ensuite, j'ai réalisé qu'un diagnostic précoce pouvait être aussi important que le traitement lui-même", a déclaré Haick au New York Times. Il a donc construit une machine qui utilise l'intelligence artificielle pour apprendre à quoi ressemblent différentes maladies. À chaque reniflement, l'algorithme devient plus précis. En décembre dernier, il était capable d'identifier 17 maladies différentes avec une précision allant jusqu'à 86 %.

Enlitic utilise l'apprentissage en profondeur pour détecter les nodules pulmonaires dans les radiographies et les tomodensitogrammes et IRM et déterminer s'ils sont bénins ou malins. Le PDG Igor Barani, ancien professeur de radio-oncologie à l'Université de Californie à San Francisco, affirme que les algorithmes d'Enlitic ont surpassé quatre radiologues lors des tests. Barani a déclaré à Medical Futurist :

"Jusqu'à récemment, les programmes informatiques de diagnostic étaient écrits en utilisant une série d'hypothèses prédéfinies sur les caractéristiques spécifiques à la maladie. Un programme spécialisé devait être conçu pour chaque partie du corps et seul un ensemble limité de maladies pouvait être identifié, empêchant leur flexibilité et leur évolutivité. Les programmes ont souvent simplifié à l'extrême la réalité, entraînant de mauvaises performances diagnostiques, et n'ont donc jamais atteint une adoption clinique généralisée. En revanche, l'apprentissage en profondeur peut facilement gérer un large éventail de maladies dans tout le corps et toutes les modalités d'imagerie (rayons X, tomodensitogrammes, etc.).

Freenome utilise l'apprentissage en profondeur pour trouver le cancer dans les échantillons de sang ou, plus précisément, les fragments d'ADN que les cellules sanguines émettent lorsqu'elles meurent. La société de capital-risque Andreessen Horowitz a envoyé à l'entreprise cinq échantillons de sang à analyser en tant que test de pré-investissement. L'entreprise a poursuivi son investissement après que Freenome ait identifié correctement les cinq, deux normaux et trois cancéreux. Le fondateur Gabriel Otte a déclaré à Fortune que son algorithme d'apprentissage en profondeur détecte des signatures de cancer que les biologistes du cancer n'ont pas encore caractérisées.

En mai, le fondateur et PDG de Babylon Health, Ali Parsa, a déclaré à l'émission technologique en ligne "Hot Topics" que son équipe avait récemment soumis le premier système de triage clinique alimenté par l'IA au monde à des tests universitaires, au cours desquels son système s'est avéré 13 % plus précis qu'un médecin. et 17 % plus précis qu'une infirmière.

Dans quelle mesure la mise en œuvre est-elle réaliste ?

Alors que l'apprentissage automatique devient rapidement un meilleur moyen de diagnostiquer les maladies, il n'est devenu plus faisable pour une utilisation universelle que très récemment. Auparavant, il était tout simplement trop coûteux de le mettre en œuvre de manière généralisée.

Grâce à de nouveaux processeurs qui fonctionnent plus rapidement que jamais tout en nécessitant moins d'énergie, l'apprentissage automatique progresse à un rythme rapide et plus abordable.

Comme le note Para dans la vidéo ci-dessus, il y a dix ans, examiner chaque partie de votre corps pour trouver et diagnostiquer une maladie coûtait un million de dollars. Aujourd'hui, ce coût est tombé à 10 000 $ et comprend le séquençage des gènes.

Une société d'imagerie médicale a obtenu l'approbation de la FDA pour vendre des logiciels alimentés par l'IA aux médecins. En janvier, Arterys a obtenu le feu vert pour son "DeepVentricle", un algorithme d'apprentissage en profondeur capable de calculer la capacité cardiaque d'un patient aussi précisément qu'un médecin en moins de 30 secondes. En revanche, l'analyse des images IRM pour effectuer les calculs à la main prend environ une heure.

L'ingénieur biomédical et professeur Cristina Davis prédit que d'ici trois à cinq ans, les cliniciens auront accès à des algorithmes d'apprentissage en profondeur pour faciliter le diagnostic.

Préparez-vous à un apprentissage en profondeur avec le bon matériel

Une grande partie de l'augmentation de la puissance de calcul depuis la fin des années 2000 est due aux puces conçues par Nvidia pour augmenter le réalisme visuel des jeux vidéo. L'utilisation d'unités de traitement graphique (GPU) pour l'apprentissage en profondeur s'est avérée 20 à 50 fois plus efficace que l'utilisation d'unités centrales de traitement (CPU).

En août 2016, Nvidia a annoncé que son chiffre d'affaires trimestriel avait plus que doublé d'une année sur l'autre pour son segment des centres de données, atteignant 151 millions de dollars. La directrice financière Colette Kress a déclaré aux investisseurs que "la grande majorité de la croissance provient de loin de l'apprentissage en profondeur".

En 2016, Intel a acheté les startups d'apprentissage en profondeur Nervana Systems et Movidius tandis que Google a dévoilé des unités de traitement de tenseur (TPU) spécialement conçues pour faciliter l'apprentissage en profondeur.

Aujourd'hui, Nvidia vise l'industrie médicale. Le responsable du développement commercial de la société, Kimberley Powell, souhaite que les processeurs de Nvidia soient utilisés pour répondre au besoin d'analyse d'apprentissage en profondeur de l'imagerie médicale.

Futurism rapporte que "le matériel de Nvidia a établi son rôle silencieux mais de premier plan dans le mariage de l'apprentissage en profondeur avec la médecine". La société construit des ordinateurs puissants conçus pour exécuter rapidement et efficacement les calculs qui peuvent rendre le diagnostic plus rapide et plus précis. Powell espère faire installer le DGX-1 de Nvidia dans les hôpitaux et les centres de recherche médicale du monde entier.

Certains hôpitaux, comme le nouveau centre de science des données cliniques du Massachusetts General Hospital, utilisent déjà ce nouveau matériel pour la santé de la population, comparant les résultats des tests des patients et l'historique des antécédents médicaux pour identifier les corrélations dans les données.

Conclusion

Les réseaux de neurones profonds modifient la façon dont les médecins diagnostiquent les maladies, rendant les diagnostics plus rapides, moins chers et plus précis que jamais. Tirer parti de ces avancées nécessite certaines étapes préparatoires, telles que la mise à niveau de votre matériel.

Lorsque vous êtes prêt à effectuer la mise à niveau, assurez-vous d'investir dans des systèmes capables de gérer les exigences informatiques de l'apprentissage en profondeur et de la santé de la population.

La semaine prochaine, nous discuterons d'une autre façon dont l'apprentissage en profondeur change les soins de santé : la prévention des maladies. Nous parlerons également de la gestion de la pratique médicale et du logiciel EHR dont vous aurez besoin pour commencer à utiliser l'apprentissage en profondeur dans votre pratique.

Pour en savoir plus sur l'IA et les soins de santé, consultez ces articles :

• Qu'est-ce que la médecine de précision ? Une introduction simple pour les médecins confus
• 5 startups d'IA dans le domaine de la santé que les PME doivent connaître
• 5 façons dont l'intelligence artificielle a un impact sur la télésanté